Kan AI de juiste tv-aflevering vinden? Niet betrouwbaar.

De wereld wordt steeds conventioneler en GenAI helpt mensen te navigeren door een steeds complexere wereld. In de entertainmentwereld gebruiken tv-kijkers spraakzoekopdrachten om door de drukte van het groeiende videolandschap heen te breken, dat zich blijft versnipperen over kanalen en diensten heen.

Ondanks de populariteit van spraakfunctionaliteit op apparaten, hangt het nut van deze technologie echter af van data—realtime informatie uit de echte wereld die een LLM¹ gebruikt om de antwoorden op gebruikersvragen te valideren, van context te voorzien en te corrigeren. In het streaminglandschap is dit met name cruciaal voor episodische content.

Niet alleen overtreft de hoeveelheid episodische content het aantal beschikbare films ruimschoots, ook zoeken kijkers anders naar tv-afleveringen dan naar films. Kijkers weten zelden de specifieke seizoenen of afleveringen die ze willen bekijken, vooral niet bij series die al zo lang meegaan als vaste waarden als NCIS, Grey’s Anatomy en The Simpsons. Dus wanneer ze zoeken, gebruiken ze contextuele zoekopdrachten zoals "Laat de kerstafleveringen van The Office zien" en "In welke afleveringen van Friends heeft Bruce Willis een gastrol?".

In dergelijke gevallen zullen de antwoorden van een LLM meestal onjuist zijn. Dat komt omdat ze hun antwoorden baseren op waarschijnlijkheid met behulp van seizoen- en afleveringsnummers. Voor aanbieders zal de slechte gebruikerservaring die gepaard gaat met onjuiste antwoorden de frustraties vergroten over de toenemende contentversnippering. Episodische content speelt een grote rol bij de drukte rondom content, aangezien tv-afleveringen 85% uitmaken van de content die wordt gedistribueerd door de zes wereldwijde SVOD-aanbieders die worden bijgehouden in de Gracenote Data Hub.

Naarmate videocatalogi groeien, wordt GenAI steeds nuttiger voor kijkers die iets willen zoeken om te bekijken. In slechts anderhalf jaar tijd is het aantal tv-afleveringen dat beschikbaar is voor het publiek bijvoorbeeld met meer dan 21% gestegen.

Door functies aan te bieden zoals convergerend zoeken, gepersonaliseerde programmadekking, op maat gemaakte aanbevelingen en real-time sportteasers, zal GenAI transformeren hoe kijkers omgaan met videocontent.

Om deze mogelijkheden te bieden—en deze te leveren op manieren die relevant en gepersonaliseerd zijn—hebben de LLM's die zoeken en ontdekken aansturen toegang nodig tot nauwkeurige en uitgebreide entertainmentdata. Dit geldt met name voor de 50% van de Amerikanen die aangeeft te overwegen om een dienst op te zeggen als deze geen content biedt waarin zij geïnteresseerd zijn².

De verbinding met gevalideerde real-time data is cruciaal, aangezien de LLM's die worden ingezet voor zakelijk gebruik niet zijn geaard met externe informatiebronnen. In tegenstelling tot populaire chatbots (bijv. ChatGPT, Gemini) weten ze alleen wat hun trainingsdata biedt. Hier valt informatie over nieuwe programma's vaak buiten de trainingsdata van een LLM, waardoor ze niet in staat zijn om kijkers te helpen vinden waarnaar ze op zoek zijn. De door Steve Carell geleide komedie Rooster is bijvoorbeeld te nieuw om informatie over te hebben voor een LLM die in 2025 is uitgebracht.

Niet-geaarde LLM-antwoorden en de ervaring van de kijker 

Zoals uiteengezet in ons recente Plot holes in AI-rapport, hebben niet-geaarde LLM's moeite met het geven van nauwkeurige antwoorden wanneer ze worden gevraagd naar basisattributen in populaire tv-shows en films. Als het aankomt op episodische content, is dit tekortkoming veel sterker uitgesproken. Dat komt omdat metadata-attributen op afleveringsniveau veel unieker zijn dan op programmatitelniveau. 

Semantisch raden, voorspellende waarschijnlijkheid en een gebrek aan indexeringsmogelijkheden dragen allemaal bij aan een veel grotere kans dat een niet-geaard LLM gaat hallucineren wanneer het alleen een programmatitel, een seizoennummer en een afleveringsnummer tot zijn beschikking heeft. En belangrijk is dat kijkers zelden naar een aflevering zoeken op basis van de titel.

Om het belang van aarding bij zoeken en ontdekken op afleveringsniveau beter te begrijpen, hebben we recent de kwaliteit geëvalueerd van niet-geaarde LLM-antwoorden op eenvoudige vragen over specifieke tv-afleveringen. Hoewel mensen niet op deze manier zoeken, hebben we seizoen- en afleveringsnummers gebruikt in onze zoekopdrachten om de nauwkeurigheid van de bijbehorende metadata te evalueren. Het onderzoek omvatte 100 populaire afleveringen uit 13 landen (1.300 in totaal).

In het algemeen was de feitelijke nauwkeurigheid van de antwoorden voor afleveringen aanzienlijk lager dan voor tv-shows en films. Van de 100 topafleveringen in de VS was bijvoorbeeld gemiddeld slechts 27% van de programmachem beschrijvingen nauwkeurig², vergeleken met een gemiddelde van 69% van de beschrijvingen voor de top 100 tv-shows en 100 films.

Nauwkeurigheid was niet het enige attribuut waar het niet-geaarde LLM moeite mee had bij de 1.300 afleveringen (100 per land) in het onderzoek. Het hebben van informatie was een nog groter probleem, aangezien het geen enkele informatie (titel, beschrijving, acteurs, genre) had voor 604 van de afleveringen (46,5% van het totaal). Dit was het duidelijkst zichtbaar in Zweden, waar geen informatie werd verstrekt voor 73 van de 100 afleveringen. In de VS verstrekte het niet-geaarde LLM geen informatie voor 31 afleveringen.

Degene met de verkeerde verhaallijn

Wanneer het niet-geaarde LLM geen lege antwoorden terugstuurt, geeft het regelmatig onjuiste afleveringsbeschrijvingen—een bijproduct van semantisch raden, voorspellende waarschijnlijkheid en een gebrek aan indexering. Hoewel kijkers waarschijnlijk nooit naar een aflevering zouden zoeken met alleen een serienummer en een aflevering, gebruiken streamingdiensten deze attributen om resulterende afleveringstitels om te zetten in deeplinks of een bijbehorend record in hun datalake. Hier is backend data-harmonisatie en -indexering cruciaal om ervoor te zorgen dat een dienst accuraat de juiste content kan teruggeven voor elke individuele kijker. 

Met alleen een serienummer en een afleveringsnummer in elke zoekopdracht, leverde het niet-geaarde LLM regelmatig beschrijvingen op die de details schetsten van totaal andere afleveringen dan waar naar werd gevraagd. In de onderstaande voorbeelden zijn de titels en beschrijvingen die door het niet-geaarde LLM zijn verstrekt onjuist.

Aarding is cruciaal voor contentervaringen van de volgende generatie

De manier waarop consumenten naar informatie zoeken en de hulpmiddelen die ze gebruiken, veranderen. Het gebruik van GenAI is een vaste waarde onder digital natives en de adoptie breidt zich snel uit.

Het huidige contentlandschap is te omvangrijk om te navigeren met verouderde zoekfuncties—zelfs binnen individuele platforms en diensten. Het gebruik van GenAI voor het zoeken naar en ontdekken van content vertegenwoordigt een verschuiving van tektonische aard in de gebruikerservaring die het potentieel heeft om negatieve sentimenten bij kijkers sterk te verminderen naarmate de drukte van content toeneemt. 

Maar wanneer er werd gevraagd naar S02E06 van Stranger Things, combineerde het antwoord van het niet-geaarde LLM informatie uit verschillende afleveringen. Hier zal een kijker uiteindelijk het vertrouwen in de dienst verliezen, wat al gebruikelijk is onder huidige chatbotgebruikers: 75% zegt de resultaten van AI-chatbots te controleren omdat ze bang zijn dat deze onjuist zijn³.

Het eindresultaat in dit scenario is een slechte gebruikerservaring – een ervaring die ertoe zou kunnen leiden dat de kijker elders op zoek gaat naar iets om te bekijken.

Voor meer informatie over het gebruik van niet-gegrond LLM’s bij content en ontdekken van content kunt u ons rapport 'Plot holes in AI'.

Notities

1. LLMs zijn een type generatieve AI dat is getraind op enorme hoeveelheden data om menselijke taal te begrijpen en te genereren.
2. In vergelijking met de gegevens over het aan de grond lopen.
3. Gracenote Onderzoek naar het gebruik van GenAI in 2026